Firebase Admin Node 中并发请求的令牌优化策略
在 Firebase Admin Node 项目中,开发者发现了一个关于消息发送接口的性能优化点。当使用 Messaging#sendEach 方法批量发送消息时,系统会为每条消息单独获取访问令牌,这在并发场景下会导致不必要的令牌获取请求。
问题背景
Firebase Admin SDK 中的消息发送功能需要有效的访问令牌来授权 API 调用。在批量发送场景下,每条消息都会触发一个独立的 HTTP 请求。虽然 SDK 内部实现了令牌缓存机制,但由于这些请求是并发执行的,缓存机制无法有效发挥作用。
具体表现为:当多个请求几乎同时到达时,每个请求都会检查缓存并发现令牌需要刷新,于是各自发起独立的令牌获取请求。这不仅增加了网络开销,还可能导致短时间内产生大量冗余请求。
解决方案分析
针对这个问题,项目维护者提出了两种可能的解决方案:
-
预获取令牌方案:在发送批量请求前预先获取令牌,然后将该令牌注入到每个发送请求中。这种方法直接避免了并发获取令牌的问题,但需要对现有请求处理流程进行一定改造。
-
令牌请求合并方案:改进
getToken()方法的实现,使其能够识别并合并并发的令牌刷新请求。当多个调用同时请求令牌时,系统只执行一次实际的刷新操作,并将同一个 Promise 返回给所有调用者。
经过讨论,第二种方案被认为更具通用性,因为它不仅解决了消息发送场景的问题,还能惠及所有需要授权访问的并发请求场景。
技术实现细节
令牌请求合并的核心实现思路是:
public getToken(forceRefresh = false): Promise<FirebaseAccessToken> {
if (forceRefresh || this.shouldRefresh()) {
if (!this.isRefreshing) {
this.promiseToCachedToken_ = this.refreshToken();
}
return this.promiseToCachedToken_
}
return Promise.resolve(this.cachedToken_);
}
这段代码引入了几个关键机制:
isRefreshing标志位:作为锁机制,防止重复刷新- 共享 Promise:所有并发请求共享同一个刷新操作的结果
- 缓存机制:在令牌有效期内直接返回缓存结果
方案优势
这种改进方案具有以下优点:
- 减少网络请求:有效避免了令牌刷新请求的"惊群效应"
- 保持API兼容性:不需要改变现有方法签名和使用方式
- 通用性强:适用于所有需要授权访问的场景
- 实现简洁:改动量小,风险可控
总结
在分布式系统和并发编程中,资源共享和请求合并是常见的优化手段。Firebase Admin Node 通过对令牌获取逻辑的改进,展示了如何优雅地处理并发场景下的资源竞争问题。这种模式也可以为其他需要处理类似问题的开发者提供参考。
对于使用 Firebase Admin SDK 的开发者来说,这一改进将带来更高效的批量消息发送体验,特别是在高并发场景下能够显著减少不必要的网络开销。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00